De Grote Convergentie: Hoe AI Elke Grens Verbindt

Kunstmatige intelligentie (AI) heeft de wereld in vuur en vlam gezet met haar potentieel om efficiëntie te verbeteren, kosten te verlagen en de productiviteit te verhogen.

Hoewel AI voor veel mensen gelijkstaat aan chatbots, dankzij de toegankelijkheid en populariteit van generatieve AI‑tools zoals ChatGPT, is de technologie veel uitgebreider, met voordelen die zich uitstrekken tot geneeskunde, productie, robotica, gezondheidszorg, onderwijs, klimaatswetenschap, financiën, recht, cyberbeveiliging en verder.

Door menselijke cognitieve functies zoals probleemoplossing en besluitvorming te emuleren, belooft AI de onderliggende systemen van deze sectoren te transformeren, waarbij een groeiend aantal organisaties actief AI’s mogelijkheden verkent.

Een recent McKinsey‑onderzoek toonde een toename in AI‑gebruik aan, niet alleen in de technologiesector, waar het al meer dan 90 % heeft bereikt, maar in bijna elke industrie.

Negen van de tien respondenten gaven aan dat hun organisaties AI regelmatig gebruiken, hoewel het nog in de experimentele fase is. Ondanks dat het zich in de pilotfase bevindt, meldden respondenten kosten‑ en omzetvoordelen, waarbij 64 % zei dat AI hen in staat stelt te innoveren.

Deze groeiende adoptie toont aan dat AI, zelfs in zo’n vroeg stadium, een belangrijke motor wordt van digitale transformatie.

In het huidige wereldwijd verbonden en competitieve landschap stelt AI bedrijven in staat de kracht van diverse digitale technologieën, zoals big data, cloud computing en het Internet of Things, te benutten. In feite fungeert AI als een convergerende technologie die de ontwikkeling en integratie van andere technologieën versnelt, zodat hun gecombineerde impact groter is dan de som van de afzonderlijke delen.

Laten we nu enkele fascinerende AI‑ontwikkelingen in verschillende sectoren bekijken, waarbij elk laat zien hoe de wereld wordt veranderd.

Hieronder een snel overzicht van drie domeinen waarin de convergentie van AI al meetbaar is.

Swipe to scroll →

AI brengt het darmmicrobioom in kaart met de menselijke gezondheid (en CAD‑risico)

Met behulp van AI hebben wetenschappers nu het ingewikkelde ecosysteem van darmbacteriën en hun chemische signalen ontcijferd, waardoor verborgen verbanden tussen de bacteriën en de menselijke gezondheid aan het licht komen. Bovendien presteert het nieuwe geavanceerde AI‑systeem beter in studies over kanker, obesitas en slaapstoornissen dan conventionele modellen, en toont het een enorm potentieel om behandelingen af te stemmen op de microbiële samenstelling van elk individu, waardoor gepersonaliseerde geneeskunde wordt getransformeerd.

AI’s vermogen om verborgen patronen te onthullen is bijzonder opmerkelijk, zoals in een studie van de Universiteit van Waterloo, waar AI‑aangedreven analyse van routinematige bloedtesten patronen detecteerde die levensreddende voorspellingen zowel betaalbaar als toegankelijk maken.

Terugkomend op darmbacteriën, spelen ze een sleutelrol in onze gezondheid, beïnvloeden niet alleen onze spijsvertering en ziektepreventie, maar ook immuniteit en zelfs onze stemming. Nieuw onderzoek heeft aangetoond dat ons darmmicrobioom ook de ontwikkeling van coronaire hartziekte kan beïnvloeden, een aandoening die jaarlijks bijna 20 miljoen mensen het leven kost.

De menselijke darm is duidelijk fascinerend, maar tevens een complex ecosysteem van triljoenen micro‑organismen. Naast het enorme aantal bacteriële soorten in onze darm, maken hun interacties met de menselijke chemie het voor wetenschappers moeilijk om hun effecten te begrijpen.

Maar in een baanbrekende stap wendden onderzoekers van de Universiteit van Tokio zich tot AI om dit probleem aan te pakken.

Ze ontwikkelden een AI‑systeem om beter te begrijpen welke bacteriën welke metabolieten produceren, kleine moleculen die fungeren als chemische boodschappers en door ons lichaam circuleren, waarbij ze metabolisme, immuniteit en hersenfunctie beïnvloeden, en hoe de relatie tussen bacteriën en metabolieten verandert bij verschillende ziekten.

“Door deze bacterie‑chemische relaties nauwkeurig in kaart te brengen, zouden we mogelijk gepersonaliseerde behandelingen kunnen ontwikkelen. Stel je voor dat je een specifieke bacterie kunt laten groeien om nuttige menselijke metabolieten te produceren of gerichte therapieën kunt ontwerpen die deze metabolieten aanpassen om ziekten te behandelen.”

– Projectonderzoeker Tung Dang van het Tsunoda‑lab in de afdeling Biologische Wetenschappen

Het model dat ze ontwikkelden is een Bayesiaans neuraal netwerk genaamd VBayesMM, dat de uitdaging aanpakt om betekenisvolle patronen te identificeren uit de complexe interactie tussen triljoenen bacteriën en metabolieten.

Het maakt gebruik van een Bayesiaanse benadering om precies te bepalen welke bacteriegroepen de meeste invloed hebben op specifieke metabolieten. Bovendien meet het de onzekerheid in zijn voorspellingen om onjuiste conclusies te voorkomen, waardoor wetenschappers nauwkeurigere en betrouwbaardere inzichten krijgen.

Met behulp van de variationale Bayesiaanse microbiome‑multi‑omics (VBayesMM) benadering kon het team snel en nauwkeurig belangrijke microbiële soorten identificeren, wat resulteerde in meer accurate schattingen. De implementatie van variationale inferentie heeft ondertussen computationele knelpunten aangepakt, waardoor schaalbare analyse van enorme datasets mogelijk is.

Het team zal vervolgens werken met meer uitgebreide chemische datasets om het volledige scala aan bacteriële producten vast te leggen, om het probleem van een daling in nauwkeurigheid te overwinnen wanneer metabolietgegevens uitgebreider zijn dan bacteriële gegevens.

“We streven er ook naar VBayesMM robuuster te maken bij het analyseren van diverse patiëntpopulaties, door bacteriële ‘stamboom’-relaties op te nemen om betere voorspellingen te doen, en de benodigde rekentijd voor analyse verder te verkorten,” zei Dang. “Voor klinische toepassingen is het uiteindelijke doel het identificeren van specifieke bacteriële doelwitten voor behandelingen of dieetinterventies die patiënten daadwerkelijk kunnen helpen, en zo van fundamenteel onderzoek naar praktische medische toepassingen te gaan.”

Investeerbare invalshoek: Precisiegeneeskunde met Tempus AI

In deze spannende en complexe wereld van de levenswetenschappen onderscheidt Tempus AI (TEM ) zich door AI‑ondersteunde precisiegeneeskundeoplossingen voor gepersonaliseerde patiëntenzorg aan te bieden.

Tempus is een technologiebedrijf dat precisiegeneeskunde vooruit helpt en tevens de ontdekking en ontwikkeling van optimale therapieën faciliteert. Het heeft drie productlijnen:

• Genomics: Biedt next‑generation sequencing (NGS) diagnostiek, profilering, moleculaire genotypering en andere tests.
• Data: Betreft het structureren en de‑identificeren van de gegevens die in haar laboratorium worden gegenereerd vóór commercialisatie.
• AI‑toepassingen: Biedt diagnostiek, implementeert nieuwe software als medisch apparaat, en implementeert klinische beslissingsondersteuningsinstrumenten.

Dit jaar heeft Tempus enkele belangrijke regelgevende mijlpalen bereikt, waaronder het verkrijgen van FDA‑goedkeuring voor het Tempus xR IVD‑apparaat om geneesmiddelenontwikkeling te ondersteunen via geavanceerde RNA‑sequencing. Hierdoor kunnen Tempus‑partners de RNA‑test gebruiken om “precies te identificeren welke patiënten het meest waarschijnlijk reageren op specifieke therapieën en om efficiëntere klinische proeven te ontwerpen.”

Het bijgewerkte AI‑aangedreven platform voor hartbeeldanalyse, Tempus Pixel, en de AI‑software Tempus ECG‑Low EF hebben ook FDA 510(k)-goedkeuringen verkregen, waardoor de positie van het bedrijf in AI‑gedreven diagnostiek wordt versterkt.

De aandelen van het bedrijf met een marktkapitalisatie van $12,73 miljard worden momenteel verhandeld tegen $72,52, een stijging van bijna 112 % dit jaar. Nog vorige maand overschreden de TEM‑aandelen de $100‑drempel.

Wat de financiële positie betreft, meldde Tempus onlangs een jaar‑op‑jaar stijging van 84,7 % in omzet in Q3 2025 tot $334,2 miljoen, terwijl de brutowinst met 98,4 % steeg tot $209,9 miljoen. Het nettoverlies voor het kwartaal bedroeg $80 miljoen. Het kwartaal eindigde met $764,3 miljoen aan contanten en verhandelbare effecten.

“Niet alleen groeien we in een ongelooflijk tempo; het bereiken van een positieve aangepaste EBITDA is een belangrijke mijlpaal en weerspiegelt de kracht van ons onderliggende bedrijf,” zei Tempus‑oprichter en CEO Eric Lefkofsky. “Een van de moeilijkste dingen, en een teken van de duurzaamheid van het bedrijfsmodel, is het vermogen om de herinvesteringsratio te verlagen en toch groei te behouden, wat precies is wat we dit kwartaal hebben bereikt.”

Klik hier voor een lijst van top biotech big‑data bedrijven.

AI voorspelt zonnestormen dagen van tevoren — Bescherming van stroomnetten & satellieten

Er is een AI‑model ontwikkeld om zonnestroom ver van tevoren met grotere nauwkeurigheid dan bestaande methoden te voorspellen, waardoor stroomnetten, satellieten en navigatiesystemen worden beschermd tegen storende ruimte‑gebeurtenissen en de veerkracht van onze kritieke infrastructuur wordt versterkt.

Zonnestroom is de constante stroom van geladen deeltjes die door de Zon wordt vrijgegeven. Dit gebeurt wanneer de verstrengelde magnetische velden van de Zon vervormen en uitrekken, waardoor ze knappen voordat ze opnieuw verbinden, waarbij grote hoeveelheden energie vrijkomen.

Wanneer deze deeltjes snelheid krijgen, kunnen ze de atmosfeer van de aarde verstoren. Ze kunnen niet alleen de stroomnetten beïnvloeden, maar ook satellieten uit hun baan slepen, zoals een sterk zonnestroom‑event in 2022 deed, toen SpaceX (SPCX ) tot 40 van zijn Starlink‑satellieten verloor.

Zonnestormen zijn daarentegen nog krachtigere gebeurtenissen, waarbij de Zon energie, deeltjes en magnetische velden de ruimte in schiet. Wanneer ze naar de aarde gericht zijn, kan dit een grote verstoring van het magnetisch veld veroorzaken, een zogenaamde geomagnetische storm. Dit is wat prachtige poollicht‑verschijnselen creëert, maar ook stroomuitval veroorzaakt.

Lloyd’s nieuwste scenario voor systeemrisico schat dat een ernstige zonnestorm de wereldeconomie kan blootstellen aan ongeveer $2,4 biljoen aan verliezen over vijf jaar, met verwachte verliezen van ongeveer $17 miljard vandaag.

Dit toont een dringende behoefte aan betere voorspellingen van deze gebeurtenissen. Daarom hebben onderzoekers van NYU Abu Dhabi (NYUAD) dit aangepakt, met behulp van AI.

Ze hebben een AI‑model gebouwd dat zonnestroom tot wel vier dagen vóór het optreden van het event kan voorspellen, nauwkeuriger dan de huidige methoden. Het model is getraind op historische gegevens van zonnestroom en ultravioletbeelden van NASA’s Solar Dynamics Observatory (SDO).

Door de beelden van de Zon te analyseren om patronen te detecteren die gekoppeld zijn aan veranderingen in zonnestroom, kon het NYUAD‑team een verbetering van 45 % in hun voorspellingsnauwkeurigheid behalen ten opzichte van de huidige operationele modellen. Bovendien behaalden ze een verbetering van 20 % ten opzichte van eerdere AI‑gebaseerde benaderingen.

“Dit is een grote stap vooruit in het beschermen van de satellieten, navigatiesystemen en energie‑infrastructuur waar het moderne leven van afhankelijk is,” zei de hoofd auteur van de studie, Dattaraj Dhuri. “Door geavanceerde AI te combineren met zonne‑observaties, kunnen we vroege waarschuwingen geven die kritieke technologie op aarde en in de ruimte helpen beschermen.”

Investeerbare invalshoek: Ruimte‑weer AI met IBM 

IBM, met een marktkapitalisatie van $293,24 miljard, is een wereldwijde leverancier van hybride cloud‑ en AI‑diensten om digitale transformatie te realiseren over data, applicaties en omgevingen waarin ze opereren.

Een paar maanden geleden bracht IBM in samenwerking met NASA haar open‑source AI‑model ‘Surya’ uit, om beter inzicht te krijgen in gegevens verzameld uit zonne‑observaties en te voorspellen hoe zonne‑activiteit ruimte‑technologie en de aarde beïnvloedt. Met Surya past het bedrijf AI toe op onderzoek naar ruimte‑weer‑voorspelling en biedt het een hulpmiddel om telecommunicatie, stroomnetten en GPS‑navigatie te beschermen tegen de verstoringen veroorzaakt door de veranderende aard van de Zon.

Op het moment van schrijven worden IBM‑aandelen verhandeld tegen $319, een stijging van 42,7 % YTD. Het heeft een EPS (TTM) van 8,07 en een P/E (TTM) van 38,87. IBM betaalt een dividendrendement van 2,14 %.

Voor het recente kwartaal, 3Q25, rapporteerde het bedrijf een omzetstijging van 9 % tot $16,3 miljard. De GAAP brutowinstmarge bedroeg 57,3 % en de non‑GAAP operationele winst was 58,7 %. Netto kasstroom uit operationele activiteiten bedroeg tot nu toe $9,2 miljard, en $7,2 miljard werd gerapporteerd als vrije kasstroom.

“Klanten wereldwijd blijven onze technologie en domeinexpertise benutten om de productiviteit in hun operaties te verhogen en echte bedrijfswaarde te leveren met AI.”

– CEO Arvind Krishna

“Hij merkte ook op dat IBM’s AI‑portfolio de $9,5 miljard overschreed, een stijging ten opzichte van $7,5 miljard in het vorige kwartaal.”

Waar AI Experts Overtreft: Geneeskunde, Neurowetenschap & Onderwijs

Onderzoekers ontdekken dat AI consequent beter presteert dan experts in verschillende domeinen.

Een dergelijk domein is de geneeskunde, waar “glaucoom een van de meest voorkomende oorzaken van onherstelbaar gezichtsverlies wereldwijd blijft,” en screening te duur is. Maar AI zou de oplossing kunnen zijn, hoopt Dr. Anthony Khawaja, professor aan het University College London Institute of Ophthalmology en hoofdonderzoeker van de nieuwe studie, die rapporteerde dat een getraind AI‑programma patiënten met glaucoom ongeveer 90 % van de tijd correct identificeerde, vergeleken met 81 % voor menselijke beoordelaars.

Voor deze studie evalueerden zowel menselijke experts als een AI‑programma meer dan 6.300 deelnemers, waarvan bijna 700 glaucoom hadden in ten minste één oog.

Glaucoom is het gevolg van schade aan de oogzenuw, meestal door drukopbouw binnen het oog, wat kan leiden tot volledige blindheid. Menselijke experts en de AI beoordeelden het glaucoomrisico van deelnemers op basis van de verticale cup‑disk ratio, een belangrijke maatstaf voor deze aandoening, die veranderingen in de oogstructuur bij drukopbouw volgt.

Volgens de resultaten van de studie werd slechts 11 % van de ogen van de deelnemers verdacht van glaucoom, wat overeenkomt met het verwachte percentage bij routinematige screening. De nauwkeurigheid, merkten de onderzoekers op, zou verder kunnen worden verbeterd door andere risicofactoren op te nemen, zoals intraoculaire druk.

In een andere studie voorspelden grote taalmodellen (LLM’s) de uitkomsten van voorgestelde neurowetenschappelijke studies nauwkeuriger dan menselijke experts, wat het potentieel van AI om onderzoek te versnellen benadrukt.

In plaats van zich te richten op de vraag‑antwoordcapaciteiten van LLM’s, onderzocht de studie of de modellen kennis kunnen synthetiseren om toekomstige uitkomsten te voorspellen.

Dus testten ze 15 verschillende algemene LLM’s en 171 menselijke neurowetenschappelijke experts en ontdekten dat alle LLM’s de neurowetenschappers overtroffen. Terwijl LLM’s gemiddeld 81 % nauwkeurigheid behaalden, scoorden mensen gemiddeld 63 %, wat slechts steeg tot 66 % op het hoogste niveau van menselijke expertise. Ondertussen verbeterde het trainen van een LLM op neurowetenschappelijke literatuur de nauwkeurigheid tot 86 %.

“We vermoeden dat het niet lang zal duren voordat wetenschappers AI‑tools gebruiken om het meest effectieve experiment voor hun vraag te ontwerpen. Hoewel onze studie zich richtte op neurowetenschap, was onze aanpak universeel en zou ze met succes toepasbaar moeten zijn op alle wetenschappen.”

– Senior auteur Bradley Love, professor aan UCL Psychology & Language Sciences

AI heeft volgens onderzoekers van Cambridge een duidelijk voordeel op het gebied van voorspellende modellering en data‑analyse. Wanneer het wordt voorzien van tijdige gegevens in termen van volume, variëteit en waarheidsgetrouwheid, kan het kosten en toeleveringsketens optimaliseren, sneller hoogpresterende producten ontwerpen en in realtime reageren op marktfluctuaties.

“Het negeren van generatieve AI in bedrijfsstrategie is niet langer haalbaar,” zeiden de co‑auteurs van de studie.

Dit is echter slechts het topje van de ijsberg, aangezien andere studies hebben aangetoond dat AI zelfs uitblinkt in fundamentele taalmechanica, maar tekortschiet in thematische consistentie bij assay‑evaluatie, menselijke experts overtreft in het herkennen van pijn bij schapen met dezelfde visuele informatie, en even goed of beter presteert dan dermatologen bij beeldgebaseerde huiddiagnose.

Investeerbare invalshoek: Gemini‑adoptie via Alphabet Inc.

Als het gaat om investeren in de kracht van AI, is Alphabet (GOOG ) een waardige optie, die AI‑doorbraken leidt via Google DeepMind en Google Research.

Recentelijk hebben Google DeepMind en een AI‑ondersteund educatietechnologiebedrijf, Eedi, verkennend onderzoek gepubliceerd waaruit blijkt dat AI‑tutoring met mens‑in‑de‑lus beter presteert dan alleen menselijke ondersteuning.

De proef vond plaats in vijf Britse middelbare schoolklassen, waar kerninstructie werd gegeven door LearnLM, het generatieve AI‑model van Google dat is afgestemd op pedagogiek. Ze ontdekten dat het mens‑AI‑team net zo effectief (93 %) was in het helpen van studenten om onmiddellijk een fout te corrigeren als een menselijke tutor alleen (91,2 %). Het team was even goed in het helpen van studenten hun onderliggende misvattingen op te lossen.

Bij het meten van “kennisoverdracht,” wat verwijst naar hoe tutoring op één probleem de vaardigheid van een student om een nieuw probleem op te lossen beïnvloedt, verbeterde een menselijke tutor alleen het leren met 4,5 procentpunten, terwijl het mens‑AI‑team dit met 10 procentpunten verhoogde.

“Deze bevindingen markeren een mijlpaal voor verantwoord, veilig en effectief AI in het onderwijs. De volgende stap is om dit van een verkennende pilot naar een grootschalige proef op te schalen.”

– Irina Jurenka, onderzoekwetenschapper bij Google DeepMind

Ondertussen heeft het multimodale AI‑model Gemini van de tech‑gigant verschillende vooruitgangen geboekt, met een gouden medaille‑niveau prestatie op de World Finals van de International Collegiate Programming Contest (ICPC) 2025, na een gouden medaille‑overwinning op de International Mathematical Olympiad. Google’s vlaggenschip‑AI‑app telt nu meer dan 650 miljoen maandelijks actieve gebruikers.

Dus Google is diep betrokken bij AI‑innovatie, en dit heeft de aandelen dit jaar bijna 54 % laten stijgen, nu net boven $293 verhandeld. Het bedrijf met een marktkapitalisatie van $3,5 biljoen betaalt ook een dividend van 0,29 %.

Recentelijk rapporteerde het een omzet van $102,35 miljard voor Q3 2025, gedreven door solide momentum in de cloud‑business, die profiteerde van sterke AI‑vraag. Het bedrijf is nu van plan de kapitaalinvesteringen te verhogen tot tussen $91 miljard en $93 miljard, na eerdere verhoging van de verwachtingen van $75 miljard naar $85 miljard dit jaar. Het grootste deel van de uitgaven gaat naar infrastructuur zoals datacenters.

Slotgedachten

AI heeft de wereld stormachtig veroverd, maar is niet langer een op zichzelf staande innovatie. In plaats daarvan fungeert het als bindweefsel dat een groeiend aantal transformatieve technologieën met elkaar verbindt. Zoals hierboven vermeld, helpt het ons de mysteries van het menselijke microbioom te ontcijferen, zonnestormen te voorspellen en zelfs experts in wetenschap en geneeskunde te overtreffen. Toch vertegenwoordigen deze doorbraken slechts een klein deel van hoe diep AI bijna elk grensgebied van menselijke inspanningen beïnvloedt.

Naarmate AI convergeert met big data, biotechnologie, cloud computing, robotica en kwantumwetenschap, versnelt AI het tempo van ontdekkingen en maakt integraties mogelijk die slimmere systemen en een slimmere wereld creëren.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.

Referenties

1. Mussavi Rizi, M., Fernández, D., Kramer, J. L. K., Saigal, R., DiGiorgio, A. M., Beattie, M. S., Ferguson, A. R., Kyritsis, N., Torres‑Espín, A., & TRACK‑SCI. Modellering van trajecten van routinematige bloedtesten als dynamische biomarkers voor uitkomst bij ruggenmergletsel. npj Digital Medicine 8:470 (2025). https://doi.org/10.1038/s41746-025-01782-0
2. Lee, S., Raza, S., Lee, E.-J., Chang, Y., Ryu, S., Kim, H.-L., Kang, S.-H., & Kim, H.-N. Metagenome‑geassembleerde genomen onthullen microbiële handtekeningen en metabole routes gekoppeld aan coronaire hartziekte. mSystems e00954-25 (2025). https://doi.org/10.1128/msystems.00954-25
3. Dang, T., Lysenko, A., Boroevich, K. A., & Tsunoda, T. “VBayesMM: variational Bayesiaans neuraal netwerk om belangrijke relaties van hoogdimensionale microbiome‑multi‑omics data te prioriteren.” Briefings in Bioinformatics 26(4), bbaf300 (2025). https://doi.org/10.1093/bib/bbaf300
4. Sinha, A., Dhuri, D., Vasanth, R., Hanasoge, S., et al. “Een multimodale encoder‑decoder neuraal netwerk voor het voorspellen van de snelheid van zonnestroom bij L1.” The Astrophysical Journal Supplement Series 258(2): 1–? (2025). https://doi.org/10.3847/1538-4365/adf436
5. Luo, X., Rechardt, A., Sun, G., Nejad, K. K., Yáñez, F., Yilmaz, B., Lee, K., Cohen, A. O., Borghesani, V., Pashkov, A., Marinazzo, D., Nicholas, J., Salatiello, A., Sucholutsky, I., Minervini, P., Razavi, S., Rocca, R., Yusifov, E., Okalova, T., Gu, N., Ferianc, M., Khona, M., Patil, K. R., Lee, P. S., Mata, R., Myers, N. E., Bizley, J. K., Musslick, S., Bilgin, I. P., Niso, G., Ales, J. M., Gaebler, M., Ratan Murty, N. A., Loued‑Khenissi, L., Behler, A., Hall, C. M., Dafflon, J., Bao, S. D. & Love, B. C. Grote taalmodellen overtreffen menselijke experts in het voorspellen van neurowetenschappelijke resultaten. Nature Human Behaviour 9, 305–315 (2025). https://doi.org/10.1038/s41562-024-02046-9
6. Bouziane, K. & Bouziane, A. M. AI versus menselijke effectiviteit bij essay‑evaluatie. Discover Education 3:201 (2024). https://doi.org/10.1007/s44217-024-00320-6
7. Feighelstein M., Luna S.P., Silva N.O., Trindade P.E., Shimshoni I., van der Linden D., & Zamansky A. “Vergelijking tussen AI en menselijke expertprestaties bij acute pijnbeoordeling bij schapen.” Scientific Reports 15(1):626 (2025). https://doi.org/10.1038/s41598-024-83950-y (PubMed)
8. Ma, X., & Li, Z. Kunstmatige intelligentie in dermatologie: een overzicht. International Journal of Dermatology and Venereology 7, 227–235 (2025). https://doi.org/10.1097/IJD.0000000000000000
9. Gomes, B., McKee, K. R., Veerubhotla, A. S., Modi, A., Rysbek, A., Huber, A., Wiltshire, S., Gillick, D., et al. “AI‑tutoring kan veilig en effectief studenten ondersteunen: een verkennende RCT in Britse klaslokalen.” arXiv pre‑print (Nov 2025). Beschikbaar op: https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_nov25.pdf